人工知能（AI）システムを用いて電子健康記録（EHR）の処理や解釈を行うことに、近年ますます関心が高まっています。臨床記述を活用する医療AIシステムにおいて、事前学習言語モデルによって支えられる自然言語処理（NLP）が主要な技術となっています。しかし、臨床専門の言語モデルは少ない上、最大のものでも1億1000万パラメータと、一般分野で数十億パラメータを持つモデルと比較すると規模が小さいのが現状です。数十億パラメータを持つ大規模な臨床言語モデルが非構造化EHRの利用にどのように貢献できるかは明確ではありません。本研究では、900億件以上のテキスト（うち820億件以上が匿名化された臨床テキスト）を使用して、大規模な臨床言語モデル「GatorTron」を開発し、5つの臨床NLPタスク（臨床概念抽出、医療関係抽出、意味的類似性評価、自然言語推論【NLI】、医療質問応答【MQA】）について系統的に評価を行いました。私たちは(1) パラメータ数の増加と (2) 学習データ量の拡大がこれらのNLPタスクにどのような影響を与えるかを検討しました。GatorTronモデルは、臨床言語モデルのパラメータ数を1億1000万から8億9000万まで拡大し、5つの临床上のNLPタスクにおける精度を向上させました（例：NLIとMQAでそれぞれ9.6%および9.5%の精度向上）。これにより医療AIシステムを通じて医療提供の改善に寄与することが期待されます。GatorTronモデルは公開されており、以下のURLからアクセスできます：https://catalog.ngc.nvidia.com/orgs/nvidia/teams/clara/models/gatortron_og。